闭项集和极大频繁项
-
1 课件
-
2 视频
上一节
下一节
梁诗敏
目录
-
1 绪论
-
1.1 数据挖掘的概念和任务
-
1.2 十大经典数据挖掘算法
-
1.3 开放数据获取来源-数据挖掘常见误区
-
1.4 数据挖掘中的隐私保护
-
-
2 认识数据
-
2.1 数据对象和数据属性
-
2.2 数据的统计描述
-
2.3 数据可视化
-
2.4 数据相似性度量
-
2.5 数据可视化案例综合应用
-
-
3 数据预处理
-
3.1 数据清洗
-
3.2 数据集成与数据规约
-
3.3 数据离散化与概念分层
-
-
4 分类与预测
-
4.1 分类与预测：基本概念
-
4.2 决策树分类
-
4.3 朴素贝叶斯分类
-
4.4 决策树方法的分析比较
-
4.5 KNN分类算法
-
4.6 分类与预测算法的性能评价方法
-
4.7 高级分类算法
-
-
5 回归分析
-
5.1 基本概念
-
5.2 线性回归编程案例
-
5.3 逻辑回归
-
5.4 岭回归
-
5.5 CART分类回归树
-
5.6 从线性回归到神经网络
-
5.7 神经网络训练&神经网络设计原则
-
5.8 过拟合与正则化
-
-
6 关联规则挖掘
-
6.1 基本概念
-
6.2 闭项集和极大频繁项
-
6.3 Apriori算法及其应用
-
6.4 关联挖掘的常见误区
-
6.5 FP树及软件实践
-
6.6 课堂实录 Apriori基础与算法
-
6.7 课堂实录 Apriori算法分析与案例应用
-
-
7 聚类分析
-
7.1 聚类概述
-
7.2 聚类的划分方法
-
7.3 聚类的层次方法
-
7.4 聚类的密度方法
-
7.5 孤立点分析
-
7.6 Kmeans简单实战
-
7.7 Kmeans常见错误解析
-
7.8 Kmeans实现数据无监督分类
-
-
8 案例开发与综合应用
-
8.1 scikitlearn安装与配置
-
8.2 KNN预测男女
-
8.3 KNN测试自带数据评分对比以及绘图
-
8.4 KNN用于分类
-
8.5 KNN用于数据回归预测
-
8.6 KNN基于历史数据预测未来
-
-
9 课程实验
-
9.1 实验一：数据可视化实践
-
9.2 实验二：数据规范化实践
-
9.3 实验三：朴素贝叶斯分类与预测
-
9.4 实验四：决策树分类及可视化
-
9.5 实验五：关联规则挖掘
-
9.6 实验六：Kmeans聚类
-
9.7 实验七：密度聚类
-
9.8 实验八：案例综合应用
-
-
10 python数据挖掘编程讲解
-
10.1 函数练习
-
10.2 函数编程
-
10.3 可视化编程
-
10.4 机器学习库的基本编程
-
